加權(quán)頻繁模式在電網(wǎng)告警頻報信號分析中的應(yīng)用

陳　昕

(中國能源建設(shè)集團江蘇省電力設(shè)計院有限公司，江蘇 南京 211102)

0　引言

隨著電網(wǎng)規(guī)模的擴大，產(chǎn)生的告警信號也日益增長[1]。由于遠動系統(tǒng)、通信系統(tǒng)和測量設(shè)備在運行中的異常以及必要的設(shè)備檢修，導(dǎo)致在上傳的告警信息中還包含大量的告警頻報信號[2-3]。摒棄設(shè)備檢修引起的的頻報信號，剩余頻報信號雖然不能反映電網(wǎng)的真實狀態(tài)，但對其進行分析，可以找到引起告警頻報的相關(guān)因素，從而發(fā)現(xiàn)可能產(chǎn)生頻報信號的設(shè)備，并密切關(guān)注。

文中將數(shù)據(jù)挖掘領(lǐng)域中的頻繁模式挖掘技術(shù)[4]引入頻報信號的分析中。由于頻報信號影響因素具有不同重要性，對各影響因素賦權(quán)，應(yīng)用加權(quán)頻繁模式概念，提出結(jié)合加權(quán)模型的加權(quán)改進FP-growth算法，可以挖掘出與頻發(fā)信號強關(guān)聯(lián)的影響因素，繼而可以找到可能產(chǎn)生頻報信號的設(shè)備并加以密切關(guān)注，產(chǎn)生的頻繁模式可以為設(shè)備檢修提供規(guī)則知識。

1　電網(wǎng)告警頻報信號分析方法

1.1　頻報信號影響因素的選取

為了盡可能地找到產(chǎn)生頻報信號的設(shè)備，需要歸納出告警信號頻報的影響因素。對頻報信號進行分析，設(shè)使用設(shè)備類型X1、運行年限X2、大修次數(shù)X3和告警頻報發(fā)生月份X4為影響因素。其中，設(shè)備類型分為線路、母線、變壓器、互感器、避雷器、斷路器、隔離開關(guān)、電容器和電抗器等。運行年限和大修次數(shù)為離散值，需要進行離散化處理。按照文獻[5]規(guī)定，設(shè)定運行年限小于等于10 a為短，大于10 a且小于20 a為中，大于等于20 a為長。設(shè)定大修次數(shù)小于等于2次為低，大于2次小于5次為中，大于等于5次為高。告警頻報發(fā)生月份即為告警報發(fā)時刻所在的月份。由于頻報信號各影響因素具有不同的重要性，因此需要對各影響因素進行加權(quán)處理，權(quán)值越大表示影響因素越重要。

層次分析法[6]建立在專家咨詢基礎(chǔ)上，把各影響因素的權(quán)重賦值簡化為影響因素重要性的兩兩比較，然后進行數(shù)學(xué)處理，對各影響因素賦值，具有可信、靈活和實用的特點?？紤]到告警頻報信號的研究尚處于起步階段，獲得大量有明確結(jié)論的樣本存在很大困難，需要借鑒專家經(jīng)驗。因此，文中采用層次分析法(AHP)求取影響因素權(quán)重。

邀請專家按表1要求給出各影響因素間兩兩比較的相對重要性，構(gòu)成評判矩陣。

表1　評判矩陣標度及含義Tab.1　Evaluation matrix scale and meaning

根據(jù)評判矩陣計算權(quán)重，求出矩陣的最大特征值及其對應(yīng)的特征向量，所求的特征向量即為權(quán)重分配。由于評估人不可能精確判斷出權(quán)重的精確度，需要對判斷矩陣進行一致性檢驗，通過一致性檢驗公式，表示如下：

CR=CI/RI

(1)

其中:CR為評判矩陣的隨機一致性比率；CI為判斷矩陣的一般一致性指標，由下式給出：

(2)

RI為評判矩陣的一般一致性指標，對于1-9階判斷矩陣，RI值如表2所示。

表2　n階評判矩陣RI值Tab.2　RIvalue of evaluation matrix

當(dāng)CR<0.1時，即認為判斷矩陣具有滿意的一致性，說明權(quán)重分配是合理的，否則需要調(diào)整判斷矩陣，直至取得具有滿意的一致性為止。

1.2　加權(quán)頻繁模式

現(xiàn)有的頻繁模式雖然在某種程度上發(fā)現(xiàn)了事務(wù)數(shù)據(jù)庫中頻繁出現(xiàn)的數(shù)據(jù)項，但這些數(shù)據(jù)項在數(shù)據(jù)庫中的重要程度被看作是一致的，沒有進行區(qū)分。這樣不能體現(xiàn)各數(shù)據(jù)項具有不同的重要程度，也會因此挖掘出一些過于“平凡”的頻繁模式，具有一定的局限性。針對這個問題，需要引入權(quán)重的概念，解決數(shù)據(jù)項重要程度不一致的問題，由此產(chǎn)生的頻繁模式稱為“加權(quán)頻繁模式”。

加權(quán)頻繁模式挖掘算法[7]研究最初是圍繞商品交易展開的，解決了往往優(yōu)先考慮利潤較高項目而忽略利潤較低項目的問題。為了更好地滿足用戶需求，提出了一些新算法上的嘗試[8-14]。文中的研究對象是告警頻報信號數(shù)據(jù)庫，考慮各影響因素的重要性不同，引入加權(quán)頻繁模式概念，提出將加權(quán)模型與改進FP-growth算法[12]相結(jié)合來有效挖掘出與頻報信號有強關(guān)聯(lián)的影響因素。

I={i1,i2,…,im}是由m個不同項目組成的集合，D={T1,T2,…,Tn}是事務(wù)數(shù)據(jù)庫，其中每個事務(wù)Ti(i=1,2,…,n)包含事務(wù)唯一標識TID和一個I的子集X。

定義1： 項目集I={i1,i2,…,im}中每一項目ij有一個權(quán)值w(ij)，其中0≤w(j)≤1。當(dāng)項目具有權(quán)重后，其項目集X也具有相應(yīng)的權(quán)重，記作W(X)：

(3)

當(dāng)|X|=1時，W(X)=w(ij)。X的加權(quán)支持度WS(X)定義為：

WS(X)=W(X)×S(X)

(4)

S(X)表示項目集X在事務(wù)記錄中出現(xiàn)頻率，即:

(5)

式中：N為事物總數(shù)。若WS(X)≥WS，min，其中WS，min為最小加權(quán)支持度，則稱X為加權(quán)頻繁模式。當(dāng)加權(quán)頻繁模式X含有k個項目時，稱為加權(quán)k-頻繁模式。

在告警頻報信號影響因素頻繁模式挖掘中，對各影響因素賦予不同權(quán)重，采用加權(quán)頻繁模式挖掘算法挖掘出大量的加權(quán)頻繁模式。這些頻繁模式中只有一些是用戶感興趣的，通過由用戶設(shè)定加權(quán)支持度閥值，可以控制頻繁模式數(shù)量，其中不滿足閥值的頻繁模式不作為知識向用戶提供。

1.3　基于加權(quán)模型的頻繁模式挖掘算法

FP-growth算法[16-17]在當(dāng)前挖掘頻繁模式算法中應(yīng)用最廣，并且不需要候選集，大大節(jié)約了計算空間。但是，該算法也有一些不足。它的主要缺點是建樹和挖掘過程都需要占用大量的內(nèi)存。當(dāng)數(shù)據(jù)庫很大，或者數(shù)據(jù)庫中的頻繁1-項集的數(shù)目很大時，運行速度將大為降低。更有甚者，由于無法構(gòu)造基于內(nèi)存的FP-tree，該算法不能有效地工作。為了克服這些不足，文中使用改進FP-growth算法[12]，主要思想是在繼承FP-growth算法不需要產(chǎn)生候選項集的優(yōu)點的基礎(chǔ)上，將數(shù)據(jù)庫進行頻繁1-項集的項總數(shù)次掃描，每次掃描分別得到各個頻繁1-項集的項的數(shù)據(jù)庫子集。然后分別對各項數(shù)據(jù)庫子集使用FP-growth算法進行約束頻繁項挖掘，得到含有各個頻繁1-項集的項的頻繁模式，最后將這些頻繁模式合并起來便得到整個數(shù)據(jù)庫的所有頻繁模式。

文中將加權(quán)模型與改進FP-growth算法相結(jié)合。加權(quán)改進FP-tree定義如下：

(1) 定義根節(jié)點的標記為null，其子節(jié)點為項前綴子樹集合，同時包含項頭表。

(2) 子節(jié)點由3個域組成：item-name，count，node_link。其中item-name記錄了該節(jié)點所代表的項目名字；count記錄了所在路徑表中達到此節(jié)點的項目個數(shù)；node_link指向下一個具有同樣的item-name域的節(jié)點，要是不存在，就為null。

(3) 項頭表的結(jié)構(gòu)是item-name，WS和node_link。其中item-name是項頭表項目名稱；WS記錄了該項目集的加權(quán)支持度，按定義1計算得到；node_link指向表中具有與該表項相同item-name域的第一個節(jié)點。

文中構(gòu)造的加權(quán)改進FP-growth算法如下：

輸入：事務(wù)數(shù)據(jù)庫D，WS，min；

輸出：D中的頻繁模式。

算法：

(1) 掃描數(shù)據(jù)庫D一次，找出候選1-項集的集合，計算它們的加權(quán)支持度。然后，按照加權(quán)支持度遞減排列候選1-項集的各項，得到候選1-項集的集合F。將F中加權(quán)支持度小于WS，min的項刪除，得到頻繁1-項集的集合L。設(shè)L={I1,I2,…,Im}，其中，I1的加權(quán)支持度最高，Im的加權(quán)支持度最小。

(2) 再次掃描數(shù)據(jù)庫D，將加權(quán)支持度小于WS，min的項從各事務(wù)中刪除，然后按照各項的加權(quán)支持度遞減地將各事務(wù)中的項進行重新排列，得到數(shù)據(jù)庫為D'。

(3) 根據(jù)頻繁1-項集L中的各項的加權(quán)支持度計數(shù)，按照以下規(guī)則由小到大依次構(gòu)造各項的數(shù)據(jù)庫子集，并利用FP-growth算法對其進行約束頻繁項挖掘。

(4) 對于L中的每個項Ii(i=m,m-1,…,1)進行如下處理：

(a) 掃描數(shù)據(jù)庫D'，從中提取所有含項Ii的事務(wù)，然后，刪除這些事務(wù)中加權(quán)支持度小于該項的加權(quán)支持度的項，所得事務(wù)集合便為項Ii的數(shù)據(jù)庫子集Di。

(b) 對數(shù)據(jù)庫子集Di，利用FP-growth算法進行包含項Ii的約束頻繁模式挖掘，其挖掘過程如下：利用數(shù)據(jù)庫子集Di，構(gòu)造FP-tree，并創(chuàng)建項頭表HT。構(gòu)造FP-tree時，該數(shù)據(jù)庫子集中各事務(wù)的項按照頻繁1-項集L中的次序處理。用項頭表HT中的項Ii的加權(quán)支持度及其節(jié)點鏈信息，構(gòu)造該項的條件模式基，然后構(gòu)造其條件FP-tree，就能在該條件FP-tree上挖掘出包含該項的頻繁模式，完成在數(shù)據(jù)庫子集Di上的約束頻繁模式Xi挖掘。

(5) 當(dāng)L中所有的項的約束頻繁模式Xi被依次挖掘出來后，合并這些約束頻繁模式，即取這些約束頻繁模式Xi的并集，便可得到數(shù)據(jù)庫D的所有頻繁模式，結(jié)束挖掘過程。

2　實例分析

為了驗證文中所提方法的有效性，從福建省網(wǎng)采集了從2013年1月1日到2013年6月30日的告警數(shù)據(jù)，經(jīng)過去噪處理后得到噪聲數(shù)據(jù)中的告警頻報信號。

(1) 對頻報信號影響因素進行整理、形成和編號，形成告警頻報信號記錄表，存放在告警頻報信號數(shù)據(jù)庫中。

頻報信號影響因素的整理：告警歷史事項表中的告警事件可用，調(diào)度運行管理系統(tǒng)(outage management system ，OMS)中檢修記錄和設(shè)備投運時間可用。

頻報信號影響因素的形成：從告警事件中提取出設(shè)備類型和告警報發(fā)時間所在的月份，統(tǒng)計和計算得到大修次數(shù)和運行年限。

頻報信號影響因素的編號：對頻報信號影響因素按不同變電站編號，相同變電站的頻報信號具有相同編號，對具有相同編號的記錄進行頻繁項集挖掘。

例如：某條告警頻報信號為500 kV某條線路某開關(guān)，線路投運年限為9 a，大修次數(shù)為1次，頻報時間發(fā)生在2月。對于這樣一條告警頻報信號，預(yù)處理后形成告警頻報信號記錄表如表3所示。

表3　告警頻報信號記錄表Tab.3　Alarm frequency reported signal transaction table

(2) 采用層次分析法(AHP)計算各影響因素(設(shè)備類型X1、運行年限X2、大修次數(shù)X3和告警頻報月份X4)的權(quán)重。

邀請專家按AHP要求給出各影響因素間兩兩比較的相對重要性，數(shù)據(jù)如表4所示(E1～E4分別表示4位專家，X1～X4為影響因素代表符號)。

表4　專家對各影響因素的權(quán)重分配表Tab.4　Weights of every index assigned by experts

即形成的評判矩陣:

根據(jù)評判矩陣W，計算出權(quán)重并歸一化，得到：

w={0.182 0,0.314 1,0.357 4,0.146 5}

利用式(1)、式(2)計算出CR=0.047 1<0.1，即認為評判矩陣具有滿意的一致性，說明權(quán)重分配是合理的。

(3) 采用加權(quán)改進FP-growth算法對告警頻報信號數(shù)據(jù)庫進行頻繁模式挖掘。

例如，由表3形成的項目如表5所示。

表5　項目名稱及其權(quán)重Tab.5　Project name and their weights

假設(shè)WS，min=0.5，掃描告警頻報信號事務(wù)表，得到表5中“二月”小于WS，min，刪除項目“二月”，由此得到表3中事務(wù)為{500 kV線路斷路器，投運年限為短，大修次數(shù)為低}。由定義1和表5中各權(quán)重計算得到該事項的WS(X)=0.32<0.5，因此該事務(wù)不是頻報信號影響因素的頻繁模式。

利用加權(quán)改進FP-growth算法對告警頻報信號數(shù)據(jù)庫進行分析，設(shè)定WS，min為0.2時生成頻報信號影響因素的部分頻繁模式如表6所示。

表6　告警頻報信號影響因素的頻繁模式(部分)Tab.6　Frequency item sets of alarm frequency reported signal influence factors (part)

通過頻繁模式挖掘分析可以得到需要的規(guī)則知識，如{220 kV線路斷路器，長}說明某變電站投運年限超過20 a的220 kV線路斷路器容易產(chǎn)生頻報信號；{500 kV母線PT，中，中}說明某變電站投運年限在10～20 a年之間以及大修次數(shù)在2～5次之間的500 kV母線上的電壓互感器容易產(chǎn)生頻報信號。這些規(guī)則可以指導(dǎo)運行人員根據(jù)設(shè)備運行檢修記錄，找到可能會產(chǎn)生頻報信號的設(shè)備并加以密切關(guān)注，檢查該設(shè)備運行狀況是否會進一步惡化，出現(xiàn)故障，對運行人員的決策起參考作用。

3　結(jié)論

加權(quán)頻繁模式與頻繁模式相仿，只是更進一步地考慮到各數(shù)據(jù)項的不同重要程度，對各數(shù)據(jù)項進行賦權(quán)。文中從數(shù)據(jù)智能處理的角度出發(fā)，將加權(quán)頻繁模式引入告警頻發(fā)信號分析中，提出加權(quán)模型與改進FP-growth算法相結(jié)合的加權(quán)改進FP-growth算法。該算法在計及各影響因素權(quán)重和繼承FP-growth算法不需要產(chǎn)生侯選項集的優(yōu)點的基礎(chǔ)上，將整個數(shù)據(jù)庫分解為子數(shù)據(jù)庫進行頻繁模式挖掘，可以大大降低對告警頻報信號數(shù)據(jù)庫的搜索開銷，在時間和空間上都有很好的效率。

利用該算法產(chǎn)生的頻報信號影響因素頻繁模式可以發(fā)現(xiàn)與頻報信號具有強關(guān)聯(lián)的影響因素，從而更加清楚地認識頻報信號的產(chǎn)生。工程實現(xiàn)中，頻報信號影響因素頻繁模式可以指導(dǎo)運行人員發(fā)現(xiàn)可能產(chǎn)生頻報信號的設(shè)備并加以密切關(guān)注，可以和設(shè)備檢修形結(jié)合，為設(shè)備檢修提供規(guī)則知識。

參考文獻：

[1] 李云鵬． 智能告警專家處理系統(tǒng)在南通電網(wǎng)的應(yīng)用[J]． 江蘇電機工程，2008，27(5)：48-50．

LI Yunpeng. Application of intelligent warning expert system to nantong power system [J]. Jiangsu Electrical Engineering,2008，27(5)：48-50．

[2] 歐陽永堅, 郭建, 魯國剛. 變電站自動化系統(tǒng)遙信去抖方法分析[J]. 電網(wǎng)技術(shù), 2006, 30: 47-50.

OUYANG Yongjian, GUO Jian, LU Guogang. Analysis of subtractive dithering method for signals measurement in substation automation system [J]. Power System Technology, 2006, 30: 47-50.

[3] 陳剛, 蔡澤祥. 變電站遠動信息采集的分析和改進[J]. 繼電器, 2003, 31(4): 73-75.

CHEN Gang, CAI Zexiang. Analysis and improvement of remote information collection in substations [J]. RELAY, 2006, 30: 47-50.

[4] 厙向陽, 張玲. 基于Hadoop的FP-Growth關(guān)聯(lián)規(guī)則并行改進算法[J]. 計算機應(yīng)用研究, 2017, 35.

SHE Xiangyang, ZHANG Ling. Parallel improved algorithm of FP-Growth association rules based on Hadoop [J]. Application Research of Computers,2017, 35.

[5] DL/T 573-2010,電力變壓器檢修導(dǎo)則[S].

DL/T 573-2010, Maintenance Guide for Power Transformers [S].

[6] 王毅, 丁力, 侯興哲, 等. 基于層次分析法的加權(quán)力線竊電檢測方法[J]. 科學(xué)技術(shù)與工程, 2017, 17(33):96-103.

WANG Yi, DING Li, HOU Xingzhe, et al. Weighted LOF stealing detection method based on analytic hierarchy process [J]. Science Technology and Engineering, 2017, 17(33):96-103.

[7] 耿汝年. 加權(quán)頻繁模式挖掘算法研究[D]. 無錫:江南大學(xué). 2008.

KEN Runian. Research of weighted frequent pattern algorithm [D]. Wuxi: Jiangnan University. 2008.

[8] 萬軍. 加權(quán)關(guān)聯(lián)規(guī)則挖掘算法的研究與改進[D]. 南寧：廣西大學(xué), 2013.

WAN Jun. Research and improvement of weighted association rule mining algorithm[D]. Nanning: Guangxi University, 2013.

[9] 陳文. 基于FP樹的加權(quán)頻繁模式挖掘算法[J]. 計算機工程, 2012, 38(6): 63-65.

CHEN Wen. Mining algorithm for weighted frequent pattern based on FP-tree [J]. Computer Engineering [J], 2012, 38(6): 63-65.

[10] 劉聞超, 施化吉, 馬素琴. 加權(quán)模糊關(guān)聯(lián)挖掘算法[J]. 計算機工程與設(shè)計, 2010, 31(16): 3654-3657.

LIU Wenchao, SHI Huaji, MA Suqin. Algorithm of weight fuzzy association rules[J]. Computer Engineering and Design, 2010, 31(16): 3654-3657.

[11] 王艷, 薛海燕, 李玲玲, 等. 一種改進的加權(quán)頻繁項集挖掘算法[J]. 計算機工程與應(yīng)用, 2010,46(23): 135-137.

WANG Yan, XUE Haiyan, LI Lingling, et al. Improved algorithm for mining weighted frequent patterns [J]. Computer Engineering and Application, 2010,46(23): 135-137.

[12] 吳俊, 李珉, 惠峻. 基于關(guān)聯(lián)度分析的電網(wǎng)可靠性指標評價[J]. 江蘇電機工程, 2015, 34(6): 82-84.

WU Jun, LI Min, HUI Jun. Network reliability evaluation based on association analysis [J]. Jiangsu Electrical Engineering,2015, 34(6): 82-84.

[13] 成樂祥, 季麗. 基于加權(quán)K-means 聚類和遺傳算法的變電站規(guī)劃[J]. 2016, 35(6): 9-12.

CHENG Lexiang, JI Li. Substation planning based on weighted K-means cluster algorithm and genetic algorithm [J]. JiangsuElectrical Engineering, 2016, 35(6): 9-12.

[14] 李彥偉, 戴月明, 王金鑫. 一種挖掘加權(quán)頻繁項集的改進算法[J]. 計算機工程與應(yīng)用, 2011,47(15): 165-167.

LI Yanwei, DAI Yueming, WANG Jinxin. Improved algorithm for mining weighted frequent itemsets [J]. Computer Engineering and Application, 2011,47(15): 165-167.

[15] 許延祥, 曹軍威, 許杏桃, 等. 基于FP-growth算法的電壓事件干擾源定位方法[J]. 華東電力, 2014, 42(7): 1299-1304.

XU Yanxiang, CAO Junwei, XU Xingtao, et al. A method of locating voltage disturbance sources based on FP-growth algorithm [J]. East China Electric Power, 2014, 42(7): 1299-1304.

[16] 王新宇, 杜孝平, 謝昆青. FP-growth算法的實現(xiàn)方法研究[J]. 計算機工程與應(yīng)用, 2004, 40(9): 174-176.

WANG Xinyu, DU Xiaoping, XIE Kunqing. Research on implementation of the FP-growth algorithm [J]. Computer Engineering and Application, 2004, 40(9): 174-176.